导读:本文包含了姿态识别论文开题报告文献综述及选题提纲参考文献，主要关键词:神经网络,姿态识别,注意力机制,无线体域网
姿态识别论文文献综述
金驰,李志军,孙大洋,胡封晔[1]（2019）在《基于空间特征的无线体域网人体姿态识别算法》一文中研究指出针对传统基于图像视频的姿态识别算法中所存在的计算成本高、摄像盲区多、隐私易泄露等问题,提出了一种基于手机加速度与陀螺仪数据的卷积—卷积长短时记忆—注意力(CCLA,convolution-convolutionallong short-termmemory-attention)人体姿态识别算法。使用卷积神经网络对姿态数据进行空间特征提取,采用卷积长短时记忆网络挖掘数据中隐含的时序信息,模拟人脑选择注意力机制构建Attention(注意力)编码器进行更高层次的时空特征提取,以实现对姿态的精准分类。在加州大学欧文分校提出的基于智能手机的人体活动与转换姿态识别数据集上对CCLA算法进行了测试,实现了对12元姿态的分类识别,识别准确率达93.27%。(本文来源于《物联网学报》期刊2019年03期）
赵志伟,倪桂强[2]（2019）在《非限定条件下无约束的多姿态人脸关键特征自动识别算法》一文中研究指出多姿态人脸关键特征的自动识别,对处理人脸数据库中的图像具有重要意义。为了保证人脸关键特征被准确识别,需要对人脸关键特征进行提取。传统算法对多姿态人脸关键特征进行自动识别时有效性差、识别率低、效率低。为此,文中提出了一种基于向量机的多姿态人脸关键特征自动识别算法,利用相机的焦距将人脸关键特征图像的叁维坐标表示出来,计算出多姿态人脸关键特征的叁维信息。利用滤波器处理多姿态人脸的关键特征并对其进行提取,最后根据向量机的权值,对人脸关键特征的目标函数和特征中的噪声进行分析,计算人脸自动识别的条件概率和迭代次数,实现非限定条件下无约束多姿态人脸关键特征的自动识别。实验结果表明,所提算法能够对多姿态人脸关键特征进行自动识别,并且具有较高的识别率。(本文来源于《计算机科学》期刊2019年09期）
曹辉,李卫强,冀青鹏,黄英双[3]（2019）在《步伐姿态在虚拟机舱中的识别》一文中研究指出以虚拟现实叁维机舱训练系统为基础,针对目前光学跟踪器灵敏度低、实训者活动范围小以及头戴式显示设备的交互安全性无法保证等问题,设计了一套能够识别步伐姿态并在虚拟现实机舱中具有实时交互的可穿戴设备。通过实训者穿戴的传感器设备,对操作者步伐信息进行采集并解算,通过无线终端发送至虚拟现实服务器完成实时交互。首先,通过空间状态数据采集实现传感器数据融合、欧拉角姿态矩阵更新;其次,采用嵌入式开发技术设计步伐识别硬件系统,通过上位机编写交互脚本,并通过实验验证过程的可行性;最后,针对设计的方法,通过分析实验,通过二分法在下位机程序中调节权重,找到合适的滤波加权平均值,实现步伐信息的融合处理。实验表明算法合理、数据更新及时、设备运行可靠,能够有效地提高实训者的沉浸感与交互体验。(本文来源于《科学技术与工程》期刊2019年23期）
唐彪,樊启润,孙开鑫,卢仕,万美琳[4]（2019）在《人体姿态识别算法在视觉人机交互中的应用》一文中研究指出针对当下视觉人机交互应用中所面临的识别过程复杂,交互效率低等一系列问题,提出了一种基于人体构造的姿态识别算法;利用该算法和软硬协同的设计思想,在FPGA平台上实现了一套运用视觉感知进行交互的机器人控制系统;图像采集模块获取双摄像头的画面,图像预处理模块完成降噪和冗余帧的去除,关节识别模块实现对人体皮肤和关节处颜色标记的检测;得到的关节位置信息送入软核,运用空间向量模型识别出肢体动作;最终将识别结果编码后通过蓝牙传输给远端机器人;实际测试表明,该算法能快速准确地识别出绝大部分基本的肢体动作,机器人能实时跟随人体简单运动。(本文来源于《计算机测量与控制》期刊2019年07期）
鄢武,唐观荣,苏泽荣,蔡奕松,文享龙[5]（2019）在《基于叁维视觉的随机工件识别与姿态估计》一文中研究指出针对堆迭物品的识别与定位,本文提出了一种自适应动态阈值分割与分层识别方法,实现了对随机、无纹理堆迭物品的识别。实验结果表明用该方法可以准确识别随机堆放工件中的目标,目标工件在X, Y,Z轴方向上的平均定位误差为1. 01mm、 0. 99mm、 1. 91mm。(本文来源于《科技视界》期刊2019年19期）
陆兴华,王凌丰,曾世豪,陈家坚[6]（2019）在《基于神经网络学习的多姿态人脸图像识别算法》一文中研究指出在移动式拍摄环境下进行人脸识别受到抖动以及环境等因素的影响,导致人脸识别的准确性不好。因此,文中提出一种基于人工神经网络学习的多姿态人脸图像识别算法。将空间邻域信息融入到多姿态人脸图像的幅度检测中,提取多姿态人脸图像的动态角点特征,把多姿态人脸图像结构纹理信息类比为一个全局运动RGB叁维位平面随机场,进行多姿态人脸图像的亮点检测和信息融合。在不同的尺度下选用合适的特征配准函数来描述多姿态人脸图像的特征点,进行多姿态人脸图像的目标像素视差分析和关键特征检测,结合人工神经网络学习和特征配准方法实现图像稳像处理和自动识别。仿真结果表明,采用该方法进行多姿态人脸图像识别的特征点配准性能较好,识别精度较高。(本文来源于《计算机技术与发展》期刊2019年11期）
张发辉,杨大勇,刘婷[7]（2019）在《基于肌电信号和姿态信号的手势识别》一文中研究指出针对仅利用手臂表面肌电(EMG)信号难以准确识别手指动作的问题,提出了将手指关节的姿态信号与表面EMG信号融合用于识别手指姿势的方法。利用MYO手环同步采集手臂的8组肌电信号,同时利用姿态传感器采集手指运动时的叁维角度信息。采用滑动平均能量法,依据采集到的原始EMG信号进行活动段检测,提取出执行有效动作过程中的相关信号,并分别采用绝对值均值(MAV)和标准差(SD)对该部分的肌电信号和角度信号提取特征。将提取的特征值作为SVM多类分类器的输入,用于识别手势动作。实验结果表明:融合手指角度信号可有效提高手指动作的识别率,整体识别率达到99. 3%。(本文来源于《传感器与微系统》期刊2019年07期）
王高宣[8]（2019）在《基于多特征融合与机器学习的篮球运动姿态识别》一文中研究指出为了有效识别篮球运动员的运动姿态,提升运动员的训练效果,提出了一种基于多特征融合和机器学习的篮球运动姿态识别方法。该方法利用惯性传感器采集运动员的加速度和角速度数据,分别从时域和频域提取多维运动姿态特征,通过特征选择和机器学习实现篮球运动姿态识别。实验结果表明,该方法能够有效识别篮球运动姿态,姿态识别平均准确率达到97%以上。(本文来源于《甘肃科学学报》期刊2019年03期）
崔景春,王静[9]（2019）在《基于增强头部姿态估计的人脸表情识别模型》一文中研究指出针对现有表情识别算法未考虑头部姿态及不能使用高像素图像的问题,提出一种基于随机森林算法的头部姿态估计(RF-HPE)网络与卷积神经网络相结合的模型。首先对输入图像作强度归一化,然后利用RF-HPE确定脸部标志关键点,从而确定脸部标志的位置,最后使用卷积神经网络提取特征并训练模型。该模型降低了光线强度对识别结果的影响,并且在不牺牲算法效率的情况下提高了训练精度。实验结果表明,所提出的改进模型的学习能力相比其他同类模型有较大优势,分类精度也显着提高。(本文来源于《计算机科学》期刊2019年06期）
蔡兴泉,涂宇欣,余雨婕,高宇峰[10]（2019）在《基于少量关键序列帧的人体姿态识别方法》一文中研究指出针对传统人体姿态识别数据采集易受环境干扰、难以解决人体运动姿态的相似性和人体运动执行者的特征差异性等问题,提出一种基于少量关键序列帧的人体姿态识别方法。首先对原有运动序列进行预选,通过运动轨迹取极值的方法构造初选关键帧序列,再利用帧消减算法获取最终关键帧序列;然后对不同人体姿态分别建立隐马尔科夫模型,利用Baum-Welch算法计算得到初始概率矩阵、混淆矩阵、状态转移矩阵,获得训练后模型;最后输入待测数据,应用前向算法,得到对于每个模型的概率,比较并选取最大概率对应的姿态作为识别结果。实验结果表明,该方法能够有效的选取原始运动序列的关键帧,提高人体姿态识别的准确性。(本文来源于《图学学报》期刊2019年03期）
姿态识别论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
多姿态人脸关键特征的自动识别,对处理人脸数据库中的图像具有重要意义。为了保证人脸关键特征被准确识别,需要对人脸关键特征进行提取。传统算法对多姿态人脸关键特征进行自动识别时有效性差、识别率低、效率低。为此,文中提出了一种基于向量机的多姿态人脸关键特征自动识别算法,利用相机的焦距将人脸关键特征图像的叁维坐标表示出来,计算出多姿态人脸关键特征的叁维信息。利用滤波器处理多姿态人脸的关键特征并对其进行提取,最后根据向量机的权值,对人脸关键特征的目标函数和特征中的噪声进行分析,计算人脸自动识别的条件概率和迭代次数,实现非限定条件下无约束多姿态人脸关键特征的自动识别。实验结果表明,所提算法能够对多姿态人脸关键特征进行自动识别,并且具有较高的识别率。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
姿态识别论文参考文献
[1].金驰,李志军,孙大洋,胡封晔.基于空间特征的无线体域网人体姿态识别算法[J].物联网学报.2019
[2].赵志伟,倪桂强.非限定条件下无约束的多姿态人脸关键特征自动识别算法[J].计算机科学.2019
[3].曹辉,李卫强,冀青鹏,黄英双.步伐姿态在虚拟机舱中的识别[J].科学技术与工程.2019
[4].唐彪,樊启润,孙开鑫,卢仕,万美琳.人体姿态识别算法在视觉人机交互中的应用[J].计算机测量与控制.2019
[5].鄢武,唐观荣,苏泽荣,蔡奕松,文享龙.基于叁维视觉的随机工件识别与姿态估计[J].科技视界.2019
[6].陆兴华,王凌丰,曾世豪,陈家坚.基于神经网络学习的多姿态人脸图像识别算法[J].计算机技术与发展.2019
[7].张发辉,杨大勇,刘婷.基于肌电信号和姿态信号的手势识别[J].传感器与微系统.2019
[8].王高宣.基于多特征融合与机器学习的篮球运动姿态识别[J].甘肃科学学报.2019
[9].崔景春,王静.基于增强头部姿态估计的人脸表情识别模型[J].计算机科学.2019
[10].蔡兴泉,涂宇欣,余雨婕,高宇峰.基于少量关键序列帧的人体姿态识别方法[J].图学学报.2019